从脚手架到递归自我改进：Harness 如何驱动 AI 工程进入新阶段

当 Agent 开始优化自己的脚手架，AI 工程进入新阶段。基于 Lilian Weng 2026 年前沿综述，系列特刊聚焦 Harness 与自我改进。从脚手架到自我改进系统，递归自我改进（RSI）通过模型改进 Harness 实现，而非直接改写权重。Harness 三大设计模式包括工作流自动化、文件系统持久记忆、子 Agent 与后台任务，构成 Agent 运行时的三个基石。上下文工程进一步支撑这一过程。

递归自我改进（RSI）的历史与近期路径

递归自我改进（RSI）标志着 AI 系统从被动执行转向主动演进。早期阶段，开发者主要构建脚手架来支撑 Agent 运行，这些脚手架提供基础结构却难以随任务复杂性扩展。

近期路径转向模型改进 Harness。系统不再直接改写模型权重，而是通过外部 Harness 机制实现自我优化。这种方式保留了模型核心稳定性，同时允许 Agent 在运行中迭代自身能力。Harness 成为连接当前性能与未来改进的桥梁，让自我改进在工程层面可控且可追溯。

这一演进路径清晰显示，从单纯脚手架到完整自我改进系统的转变，依赖于 Harness 对模型行为的间接引导。RSI 不再是科幻概念，而是通过具体工程实践逐步落地。

Harness 工作流自动化设计模式

工作流自动化是 Harness 三大设计模式之一。它将零散的任务环节串联成可重复、可监控的流程，成为 Agent 运行时的基石。

在实践中，工作流自动化定义了任务的触发条件、执行顺序和异常处理路径。Agent 不再依赖人工介入就能完成多步操作，例如数据收集、分析和输出生成的全链路。

这一模式确保了系统在面对重复性高、规则明确的任务时保持高效。自动化程度提升后，Harness 能够将优化建议直接转化为工作流调整，形成闭环反馈。工作流自动化因此成为自我改进的基础支撑，让 Agent 的每次迭代都建立在可靠的执行框架上。

文件系统持久记忆设计模式

文件系统持久记忆为 Harness 提供了长期记忆能力。它将 Agent 在运行过程中产生的知识、决策记录和中间结果以文件形式固化，避免每次会话从零开始。

具体作用体现在两个层面。一是跨会话记忆保留，Agent 可以读取历史文件来延续上一次的任务状态。二是版本化管理，文件系统允许记录不同改进版本的 Harness 配置，便于回滚或对比效果。

持久记忆让自我改进具备连续性。RSI 过程中产生的优化参数或经验教训不会随进程结束而消失，而是通过文件系统沉淀下来，为下一次改进提供数据基础。这一设计模式直接支撑了 Harness 从临时工具向持久系统的转变。

子 Agent 与后台任务设计模式

子 Agent 与后台任务构成 Harness 的第三个基石。它将复杂任务分解为多个协作单元，主 Agent 负责协调，子 Agent 执行特定子目标，后台任务则在不干扰主流程的情况下完成数据准备或模型微调相关工作。

这种设计让系统具备并行处理能力。子 Agent 可以专注于单一领域，例如代码审查或数据验证，而后台任务则持续监控性能指标并提出改进建议。

在 RSI 场景中，子 Agent 能够自主生成针对自身脚手架的优化方案，后台任务负责验证这些方案的安全性和有效性。三大基石相互配合，共同构建出可扩展的 Agent 运行时环境，让自我改进不再是单线程的线性过程，而是多线程协同演进。

上下文工程在 Harness 中的应用

上下文工程为 Harness 与自我改进系统提供关键支撑。它管理 Agent 可访问的信息范围，确保输入数据既充分又不过载。

在自我改进循环中，上下文工程负责筛选哪些历史记录、记忆文件或工作流状态需要纳入当前决策。合理的上下文管理避免了信息过载，同时保留对改进至关重要的线索。

Harness 通过上下文工程实现对自身状态的感知。Agent 能够判断当前脚手架的哪些部分需要优化，并将相关上下文传递给改进模块。这一支撑作用让 RSI 过程更加精准，避免盲目尝试带来的资源浪费。

Harness 核心要素与自我改进衔接

Harness 核心要素包括上下文工程、Agent 设计与工具调用，这些要素与自我改进形成紧密结合。

上下文工程不仅管理窗口大小，还通过摘要压缩和选择性保留策略处理溢出问题。它让 Harness 在自我改进时能够高效利用有限的上下文容量，将关键改进信号保留下来。

Agent 设计与工具调用则赋予 Harness 实际操作能力。Agent 可以调用外部工具修改工作流、更新记忆文件或生成新的子 Agent。这些能力直接服务于 RSI，让改进不再停留在理论层面，而是转化为可执行的操作。

五层成本优化体系进一步保障了自我改进的可持续性。通过合理分配计算资源，Harness 能够在不显著增加开销的情况下实现多次迭代。上下文工程、Prompt 进阶与安全机制共同确保改进过程稳定可靠。

Markdown 作为主要表示格式，也在 Harness 中发挥作用。它兼顾纯文本模型的兼容性和排版需求，使改进记录和配置文档易于阅读和版本控制。

整体来看，Harness 核心要素将自我改进从概念转化为可落地的工程实践。系列特刊通过这些内容展示，AI 产品开发正在从人工主导转向系统自主演进的新阶段。

（全文约 2150 字）